StandardTrainersCatalog 類別

定義

命名空間:

Microsoft.ML

組件:

Microsoft.ML.StandardTrainers.dll

套件:

Microsoft.ML v2.0.0

、 BinaryClassificationCatalog.BinaryClassificationTrainers 和 MulticlassClassificationCatalog.MulticlassClassificationTrainers 的 RegressionCatalog.RegressionTrainers 擴充方法集合，以建立定型器元件的實例。

public static class StandardTrainersCatalog

type StandardTrainersCatalog = class

Public Module StandardTrainersCatalog

繼承

Object

StandardTrainersCatalog

方法

AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, AveragedPerceptronTrainer+Options)	使用進階選項建立 ， AveragedPerceptronTrainer 它會使用透過布林標籤資料定型的線性二元分類模型來預測目標。
AveragedPerceptron(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, IClassificationLoss, Single, Boolean, Single, Int32)	建立 ， AveragedPerceptronTrainer 它會使用透過布林標籤資料定型的線性二元分類模型來預測目標。
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, LbfgsLogisticRegressionBinaryTrainer+Options)	LbfgsLogisticRegressionBinaryTrainer使用進階選項建立 ，其會使用透過布林值標籤資料定型的線性二元分類模型來預測目標。
LbfgsLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)	建立 LbfgsLogisticRegressionBinaryTrainer ，其會使用透過布林標籤資料定型的線性二進位分類模型來預測目標。
LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, LbfgsMaximumEntropyMulticlassTrainer+Options)	LbfgsMaximumEntropyMulticlassTrainer使用進階選項建立 ，其會使用以 L-BFGS 方法定型的最大 Entropy 分類模型來預測目標。
LbfgsMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Single, Single, Single, Int32, Boolean)	建立 LbfgsMaximumEntropyMulticlassTrainer ，其會使用以 L-BFGS 方法定型的最大 Entropy 分類模型來預測目標。
LbfgsPoissonRegression(RegressionCatalog+RegressionTrainers, LbfgsPoissonRegressionTrainer+Options)	LbfgsPoissonRegressionTrainer使用進階選項建立，以使用線性回歸模型預測目標。
LbfgsPoissonRegression(RegressionCatalog+RegressionTrainers, String, String, String, Single, Single, Single, Int32, Boolean)	建立 LbfgsPoissonRegressionTrainer ，其會使用線性回歸模型預測目標。
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LdSvmTrainer+Options)	LdSvmTrainer使用進階選項建立 ，以使用本機深度 SVM 模型預測目標。
LdSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Int32, Boolean, Boolean)	建立 LdSvmTrainer ，其會使用本機深度 SVM 模型來預測目標。
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, LinearSvmTrainer+Options)	LinearSvmTrainer使用進階選項建立 ，其會使用透過布林值標籤資料定型的線性二元分類模型來預測目標。
LinearSvm(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32)	建立 LinearSvmTrainer ，其會使用透過布林標籤資料定型的線性二進位分類模型來預測目標。
NaiveBayes(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String)	建立 ， NaiveBayesMulticlassTrainer 其會使用支援二進位特徵值的貝氏機率分類模型來預測多類別目標。
OneVersusAll<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ITrainerEstimator<BinaryPredictionTransformer<TModel>,TModel>, String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>, Int32, Boolean)	建立 ， OneVersusAllTrainer 其會使用單一與全部策略來預測多類別目標，以及 所 binaryEstimator 指定的二元分類估算器。
OnlineGradientDescent(RegressionCatalog+RegressionTrainers, OnlineGradientDescentTrainer+Options)	OnlineGradientDescentTrainer使用進階選項建立，以使用線性回歸模型預測目標。
OnlineGradientDescent(RegressionCatalog+RegressionTrainers, String, String, IRegressionLoss, Single, Boolean, Single, Int32)	建立 OnlineGradientDescentTrainer ，其會使用線性回歸模型預測目標。
PairwiseCoupling<TModel>(MulticlassClassificationCatalog+MulticlassClassificationTrainers, ITrainerEstimator<ISingleFeaturePredictionTransformer<TModel>, TModel>, String, Boolean, IEstimator<ISingleFeaturePredictionTransformer<ICalibrator>>, Int32)	建立 ， PairwiseCouplingTrainer 它會使用配對結合策略與 所 binaryEstimator 指定的二元分類估算器來預測多類別目標。
Prior(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String)	建立 PriorTrainer ，其會使用二元分類模型預測目標。
Sdca(RegressionCatalog+RegressionTrainers, SdcaRegressionTrainer+Options)	SdcaRegressionTrainer使用進階選項建立 ，以使用線性回歸模型預測目標。
Sdca(RegressionCatalog+RegressionTrainers, String, String, String, ISupportSdcaRegressionLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	建立 SdcaRegressionTrainer ，其會使用線性回歸模型預測目標。
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaLogisticRegressionBinaryTrainer+Options)	SdcaLogisticRegressionBinaryTrainer使用進階選項建立 ，以使用線性分類模型預測目標。
SdcaLogisticRegression(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	建立 SdcaLogisticRegressionBinaryTrainer ，其會使用線性分類模型預測目標。
SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaMaximumEntropyMulticlassTrainer+Options)	SdcaMaximumEntropyMulticlassTrainer使用進階選項建立 ，其會使用以座標下降方法定型的最大 Entropy 分類模型來預測目標。
SdcaMaximumEntropy(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	建立 SdcaMaximumEntropyMulticlassTrainer ，其會使用以座標下降方法定型的最大 Entropy 分類模型來預測目標。
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SdcaNonCalibratedBinaryTrainer+Options)	SdcaNonCalibratedBinaryTrainer使用進階選項建立 ，其會使用透過布林值標籤資料定型的線性分類模型來預測目標。
SdcaNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	建立 SdcaNonCalibratedBinaryTrainer ，其會使用線性分類模型預測目標。
SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, SdcaNonCalibratedMulticlassTrainer+Options)	SdcaNonCalibratedMulticlassTrainer使用進階選項建立 ，其會使用以座標下降方法定型的線性多類別分類模型來預測目標。
SdcaNonCalibrated(MulticlassClassificationCatalog+MulticlassClassificationTrainers, String, String, String, ISupportSdcaClassificationLoss, Nullable<Single>, Nullable<Single>, Nullable<Int32>)	建立 SdcaNonCalibratedMulticlassTrainer ，其會使用以座標下降方法定型的線性多類別分類模型來預測目標。
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdCalibratedTrainer+Options)	SgdCalibratedTrainer使用進階選項建立 ，以使用線性分類模型預測目標。 隨機漸層下降 (SGD) 是可優化不同目標函式的反復演算法。
SgdCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, Int32, Double, Single)	建立 SgdCalibratedTrainer ，其會使用線性分類模型預測目標。 隨機漸層下降 (SGD) 是可優化不同目標函式的反復演算法。
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, SgdNonCalibratedTrainer+Options)	SgdNonCalibratedTrainer使用進階選項建立 ，以使用線性分類模型預測目標。 隨機漸層下降 (SGD) 是可優化不同目標函式的反復演算法。
SgdNonCalibrated(BinaryClassificationCatalog+BinaryClassificationTrainers, String, String, String, IClassificationLoss, Int32, Double, Single)	建立 SgdNonCalibratedTrainer ，其會使用線性分類模型預測目標。 隨機漸層下降 (SGD) 是可優化不同目標函式的反復演算法。